Generativní AI ve výdeji: lekce pro potraviny i farmy

V květnu 2023 oznámil řetězec Wendy’s pilot „FreshAI“: generativní AI pro objednávky ve drive‑thru postavenou na Google Cloud. Na první pohled je to „jen“ rychlé občerstvení. Ve skutečnosti jde o velmi praktickou ukázku toho, co dnes firmy v potravinářství a maloobchodu skutečně kupují: konverzační rozhraní, které umí pracovat s provozními daty, drží se pravidel a zrychluje obsluhu.

Tohle téma do série „Umělá inteligence v maloobchodu a e‑commerce“ sedí přesně. Drive‑thru je extrémní prostředí: hluk, fronty, tlak na rychlost, sezónní špičky (a v prosinci obzvlášť). Kdo zvládne generativní AI tady, ten má velmi slušný základ pro podobné nasazení v objednávkách pro e‑shop, zákaznické podpoře, call centru, ale i ve výrobě a zemědělství.

A ještě jedna věc: většina lidí si pod generativní AI představí „chatbota na webu“. FreshAI je zajímavý proto, že ukazuje opačný přístup: AI jako úzce vymezený pracovník na konkrétní proces, s přístupem k menu, pravidlům a kontrolám. A to je přesně model, který dává smysl i pro potravinářské provozy a „farm‑to‑fork“ řetězec.

FreshAI v kostce: co je důležité (a proč to funguje)

FreshAI je především konverzační AI pro objednávky, která má umět vést rozhovor, rozumět úpravám „na míru“ a odpovídat na typické dotazy. Klíčové je ale něco jiného: nejde o obecný chatbot. Je to systém „ohraničený“ doménou (objednávání jídla), se sadou pravidel a s přístupem k relevantním datům (menu, konfigurace produktů).

Z praxe jsem si odnesl jednoduché pravidlo: generativní AI začíná být opravdu užitečná ve chvíli, kdy ji přestanete nutit „vědět všechno“ a místo toho ji napojíte na správná interní data a dáte jí mantinely.

Co si z toho vzít pro maloobchod a e‑commerce

Drive‑thru a e‑shop jsou si v jednom podobné: zákazník chce rychle dokončit objednávku, bez zmatků. FreshAI naznačuje tři designové principy, které se vyplácí i v online prodeji:

1. Doménové ohraničení – AI nemá diskutovat politiku, ale dodat správný burger. V e‑shopu to znamená držet se sortimentu, dostupnosti, dopravy, reklamací.
2. Přístup k datům v reálném čase – bez aktuálních cen, skladů a variant je konverzace jen „povídání“.
3. Guardrails (ochranná pravidla) – aby AI neslibovala nemožné (např. doručení do 2 hodin), nehalucinovala složení, alergeny nebo dostupnost.

Proč drive‑thru AI není „hračka“: jde o rychlost, přesnost a práci

Nasazení AI do objednávek má smysl jen tehdy, když zlepší alespoň jednu ze tří metrik: rychlost, přesnost, nebo náklady na obsluhu. Drive‑thru je oblíbené testovací prostředí právě proto, že výsledek je okamžitě vidět:

• fronta se zkrátí / nezkrátí,
• počet oprav objednávek klesne / neklesne,
• obsluha stíhá víc / nestíhá.

Restaurace (a stále častěji i retail) to řeší i kvůli dlouhodobému tlaku na pracovní sílu. Realistický scénář není „AI nahradí lidi“. Realistický scénář je hybrid: AI obslouží standardní průběhy a člověk (na místě nebo vzdáleně) dořeší výjimky.

Hybridní model: nejlepší kompromis pro kvalitu služby

Hybridní model se dá nastavit tak, aby byl měřitelný a férový:

• AI jako první kontakt: sběr objednávky, doplňující dotazy, upsell (ale rozumně).
• Člověk jako eskalace: alergie, nestandardní kombinace, nespokojený zákazník, problém s platbou.
• Jasné spouštěče předání: například po druhém nepochopení, po výskytu klíčových slov „alergie“, „bez lepku“, „stížnost“, nebo když systém detekuje nízkou jistotu rozpoznání.

Tenhle princip se 1:1 přenáší do e‑commerce zákaznické podpory: AI vyřeší „kde je balík“ a „změna adresy“, člověk řeší reklamace, výjimky a emoce.

Od drive‑thru k farmě: proč je to dobrá zpráva pro zemědělství a potravinářství

FreshAI není zemědělská technologie. Přesto je to pro „AI v zemědělství a potravinářství“ důležitá ukázka, protože potvrzuje trend, který vidím napříč obory: AI se stává standardním uživatelským rozhraním k procesům a datům.

Řečeno jednoduše: stejně jako zákazník v autě „mluví“ s AI a ta překládá požadavek do systému objednávek, může agronom, dispečer nebo vedoucí výroby mluvit s AI a ta to přeloží do:

• plánu sklizně,
• objednávky obalů,
• úkolu pro údržbu,
• požadavku na směnu ve výrobě,
• nebo do rozhodnutí o expedici.

Paralela 1: Optimalizace drive‑thru vs. optimalizace sklizně

Drive‑thru optimalizujete tak, aby se zkrátil čas na auto a snížila chybovost. Sklizeň optimalizujete podobně: minimalizujete prostoje, koordinujete techniku, reagujete na počasí a kvalitu.

Co je společné?

• obě situace jsou „operace v terénu“,
• mají špičky a výjimky,
• potřebují rychlé rozhodování na základě dat.

Generativní AI v zemědělství tady může fungovat jako operační kopilot:

• „Které parcely dnes sklidit, když má od 16:00 pršet?“
• „Kde nám nejvíc hrozí ztráty kvality podle posledních měření?“
• „Které stroje mají nejvyšší riziko poruchy podle servisních záznamů?“

Paralela 2: „Menu data“ vs. data o surovinách a šaržích

FreshAI je účinný, protože má přístup ke strukturovaným datům (menu, varianty, pravidla). V potravinářství je analogií:

• receptury a technologické postupy,
• šarže, původ surovin a traceability,
• alergeny a deklarace,
• laboratorní výsledky,
• skladové zásoby a expirace.

Generativní AI bez těchto dat bude působit chytře, ale nebude spolehlivá. Generativní AI s těmito daty umí zásadně zrychlit:

• interní dotazy („které šarže musíme blokovat?“),
• tvorbu reportů,
• školení pracovníků,
• a komunikaci směrem k obchodním partnerům.

Paralela 3: Konverzační rozhraní jako „nástroj pro lidi, co nemají čas“

Největší přínos konverzační AI bývá tam, kde lidé nemají čas (nebo chuť) klikat v systémech. Drive‑thru obsluha, dispečer logistiky, vedoucí směny ve výrobě, agronom v terénu… všichni potřebují rychlý vstup a rychlou odpověď.

Pokud se AI napojí na interní systémy, může:

• vyhledat informaci,
• udělat návrh,
• a připravit úkol,

aniž by člověk přepínal mezi pěti aplikacemi.

Co musí být vyřešené, aby to neskončilo trapasem

Nasadit generativní AI do objednávek (hlasem) nebo do provozních procesů (v zemědělství a potravinářství) není jen o modelu. Je to o disciplíně.

1) Kvalita dat a „jedna pravda“

Pokud máte v e‑shopu jinou dostupnost než ve skladu a jinou než na prodejně, AI bude zákazníkům říkat protichůdné věci. Stejně tak ve výrobě: když receptury nejsou aktuální, AI vám připraví špatný postup.

Praktický test připravenosti:

• Máme jasný zdroj pravdy pro ceny, sklad, varianty, alergeny?
• Umíme auditovat, odkud AI vzala odpověď?
• Máme proces, jak rychle opravíme chybu v datech?

2) Guardrails: co AI smí a nesmí

Wendy’s otevřeně říká, že FreshAI má mantinely, aby „neutíkala“ mimo téma. Pro firmy v potravinách je to povinnost, ne volba. Doporučuju mít minimálně:

• zakázaná témata (např. zdravotní doporučení),
• povinné formulace (alergeny, rizika kontaminace),
• vynucené ověřování pro citlivé kroky (storno, refundace, změna šarže, uvolnění blokace).

3) Měření dopadu: bez metrik nepoznáte, jestli to pomáhá

V drive‑thru to jde snadno. V e‑commerce a provozu taky, jen se to musí nastavit.

Metriky, které dávají smysl:

• AHT (Average Handle Time) u podpory: o kolik klesl čas na tiket.
• FCR (First Contact Resolution): kolik požadavků se vyřeší bez eskalace.
• Chybovost objednávek: počet oprav / reklamací.
• Konverzní poměr u konverzačního asistenta.
• Ztráty a odpisy ve výrobě / skladu (u potravin klíčové).

4) Sezónnost a špičky (prosinec je realita)

Teď, 22.12.2025, mnoho firem jede v režimu „poslední objednávky, dárky, zásoby, změny směn“. To je přesně období, kdy konverzační AI může:

• odlehčit podpoře,
• zrychlit vyřizování,
• a snížit tlak na operátory.

Současně je to období, kdy chyby bolí nejvíc. Proto dává smysl začít s úzkým scénářem (např. stav objednávky, změna doručení, dostupnost) a teprve potom rozšiřovat.

Jak by mohl vypadat „FreshAI přístup“ ve vašem podniku (praktický plán)

Nejrychlejší cesta je nesnažit se postavit „velkého univerzálního asistenta“, ale udělat 1–2 procesy do hloubky.

Krok 1: Vyberte scénář s vysokou frekvencí a nízkým rizikem

Typické kandidáty v maloobchodu a potravinách:

• dotazy na dostupnost a náhrady zboží,
• stav objednávky a doručení,
• informace o alergenech (s přísnými pravidly a citacemi z interních dat),
• interní helpdesk pro zaměstnance (postupy, směny, BOZP).

Krok 2: Připravte „datový balíček“ pro AI

Konverzační AI není kouzelník. Potřebuje:

• strukturované zdroje (katalog, sklad, ceník, receptury),
• slovník pojmů (synonyma, lokální názvy),
• a pravidla, kdy má říct „nevím“ a předat člověku.

Krok 3: Nasazení s dohledem a rychlou zpětnou vazbou

Pilot musí mít krátké cykly:

• denní přehled neúspěšných konverzací,
• označení příčin (data vs. model vs. UX),
• a týdenní úpravy pravidel.

Přesně takhle se z „hezké demo ukázky“ stane systém, který opravdu šetří čas.

Co si odnést a co udělat teď

FreshAI ukazuje jednu zásadní věc: generativní AI dává největší smysl tam, kde má jasně vymezený úkol, přístup ke správným datům a pevná pravidla. Drive‑thru je jen jeden viditelný příklad. Stejný přístup jde použít v e‑commerce (konverzační nákup, podpora), v potravinářství (traceability, směnové řízení) i v zemědělství (operativní plánování a reakce na výjimky).

Pokud chcete z AI získat obchodní hodnotu a ne jen PR, začněte jedním procesem, změřte dopad a teprve potom škálujte. Až budete mít jasno v datech a pravidlech, AI bude působit „chytrá“ sama od sebe.

Jaký proces ve vašem řetězci „od pole po regál“ dnes nejvíc trpí frontami, ručním přepisováním a chybami – a co by se změnilo, kdyby šel vyřešit jedním dobře navrženým konverzačním rozhraním?